基于深度学习的掘锚机3维可视化健康状态监测方法

摘要

在复杂且恶劣的煤矿开采环境中，掘锚机承受着高强度载荷，故障频发，如何有效监测其健康状态并确保其正常运行已成为日益凸显的问题。本文集成深度学习与3维可视化技术，提出一种掘锚机健康状态监测方法。基于深度学习方法构建融合堆叠降噪自编码器（SDAE）的双时间长度Transformer(DT)剩余寿命预测模型（SDAE-DT Net），将数据中不同序列长度的特征有效结合，通过SDAE抑制噪声干扰，使用粒子群算法（PSO）获得最优超参数，利用煤矿实际生产数据集和IMS数据集验证所提模型的预测效果。实验结果表明，该模型在复杂工况下具有较强的泛化能力与鲁棒性，能够为掘锚机部件提供精准的健康评估与剩余寿命预测结果。在此基础上，采用3维建模技术构建掘锚机的3维模型，提出数据交互的掘锚机3维可视化健康状态监测方法，结合实例开发掘锚机3维可视化健康状态监测系统，实现综合采煤工作面与3维可视化模型的数据映射，验证所提方法的正确性和可行性。该系统具备良好的可视交互性和工程实用价值，可为煤矿智能运维提供重要技术支撑。研究结果为煤矿掘进设备剩余寿命预测与健康状态监测提供了理论基础。

关键词

掘锚机 / 3维可视化 / 健康状态监测 / 剩余寿命预测 / Transformer模型